10项“行业首次”,打造海洋油气装备制造行业首个“智能工厂”
中国海油海洋工程智能化制造基地是海油工程在海洋油气装备智能制造升级的首次尝试,工程紧以建设“智慧海工”为目标密围绕公司战略目标和总体发展思路,推动新一代信息数字技术和业务深度融合,攻克了智能化排产、智能定位组对、自动切割焊接、智能仓储等智能制造关键技术难题,创新应用“海洋油气装备机器人焊接”等10余项国内“行业首次”先进技术,实现了海洋油气装备制造工艺管理数字化、生产任务工单化、生产设备自动化和生产过程可视化。
基地紧紧围绕海洋油气装备制造特征及管控需求,创新设计与制造模式,攻克关键产品智能制造流程管控和工艺技术,利用5G+工业互联网等新技术,创造性地落地实施基于离散型重型钢结构加工的自动化生产线和立体仓库,打造基于单一数据源和一体化平台的数字化管控系统,实现基地主要生产环节自动化升级,实现软硬件系统深度融合、数字化协同工程建造、经营能力强化、作业效率提升、数字孪生交付等业务价值,推动企业提质降本增效。
图:智能化制造基地生产指挥中心
作为中国海洋油气装备制造行业首个“智能工厂”和工信部示范应用基地,基地管理数字化、生产自动化、园区智慧化、能源精益化实现从人力工厂向智能工厂跨越。
其一,管理数字化
以管理软件为生产管理核心,各主要车间/生产线生产执行系统为延伸,资源管控运维系统为保障,实现了制造环节全链条的数据互联互通,形成了“工厂化生产+工单制执行”管理模式,打造了基于单一数据源的一体化数字化管理平台。
其二,生产自动化
完成工艺管线生产线、平面分段生产线、自动化立体仓库等生产设备建设,实现板材切割下料环节的全自动生产,实现中小型物料的自动化立体存储、AGV运输。
图:智能化制造基地板材切割生产线
其三,园区智慧化
形成5类智慧场景,初步实现智慧园区管理:基于5G+光纤+WLAN的网络安全互联;基于智能Al的技防平台,实现人、物、环实时监测,基于主动+被动防护的智能塔机防碰撞系统;基于生产负荷自动调节的空压机智能调控系统;基于环境因素自动调节的智能通风采光系统。
其四,能源精益化
多维度、全要素统计全场风、水、电、气流转信息,实现动能源计量数据的自动采集和处理,形成主动化、精益化的能源管理模式,落实国家“双碳”战略和绿色发展理念。
基地以智能安全管控、智能生产、设备设施数字化运营、能源低碳管理、产品数字孪生为主要数字化场景,有效改善作业环境,大幅降低劳动强度,降低对高技能工种的依存度,提升生产作业效率,进而提升我国海洋油气装备制造竞争力,保障国家海上能源安全。
在预制作业方面,实现板材切割下料环节的全自动生产运行,工效提升29%;实现甲板片预制的大部分焊接工作由自动焊接机器人完成,型钢下料工效提升23%;甲板片装焊工效提升14%,实现工艺管线预制环节管材立体存储,自动打码定长切割、自动输送、自动打磨、自动焊接,工效提升22%。总装作业方面,产品一体化率从原同类项目的30%提升至 93%,总装周期缩短50%。物资存储及配送作业方面,物料上下架整体效率提升15%,存储空间提升53.6%。检验作业方面,实现一键报检、自动抽检、报告一键生成,实现全流程信息化,以焊口检验为例,较传统线方式提效24%。
同时,项目推动了海洋油气生产装备制造行业整体向智能制造升级,有效提升行业水平和效率,进而促进我国能源生产水平的提高,增强自主能源供应能力、保障国家能源安全,培育出一批具有自主知识产权的国内海洋油气装备智能制造系统方案供应商,带动海洋油气生产装备智能制造全产业链条的发展,产生显著的社会效益。
好文章,需要你的鼓励
首尔国立大学研究团队提出了"多模态对抗组合性"(MAC)基准测试,评估预训练多模态表示(如CLIP)在理解文本与图像、视频、音频关系时的组合性弱点。研究使用大语言模型生成欺骗性文本,通过样本成功率和多样性双重指标进行评估。团队创新性地提出了多样性促进自训练方法,即使使用较小的Llama-3.1-8B模型,也能显著提高攻击成功率和多样性。实验在COCO、MSRVTT和AudioCaps数据集上验证,该方法优于现有技术,并展示了良好的跨模型迁移性,为构建更可靠的多模态系统提供了重要见解。
SridBench是首个评估人工智能模型科研插图绘制能力的基准测试,由中国科学技术大学等机构研究团队创建。该测试包含1,120个来自自然科学和计算机科学13个学科的高质量样本,并设计了六维评估标准。实验结果显示,即使是目前表现最佳的GPT-4o-image模型也仅达到基本合格水平,文本信息缺失、视觉元素不完整和科学错误是主要瓶颈。这项研究揭示了AI科研绘图能力的现状,为未来技术发展提供了方向。
ChartLens是马里兰大学与Adobe研究院合作开发的创新技术,专门解决多模态大型语言模型在图表理解中的"幻觉"问题。这项研究提出了"后验细粒度视觉归因"方法,能够将AI对图表的分析结果与图表中的具体视觉元素(如特定柱形或数据点)精确关联起来,使AI的回答变得可验证。研究团队还创建了ChartVA-Eval基准测试集,并证明他们的方法比现有技术提高了26-66%的归因准确率,为金融分析、政策制定和科学研究等领域提供了更可靠的图表理解工具。
这篇论文介绍了一个名为"CrEval"的创新框架,用于跨领域评估文本创造力。研究团队构建了"CreataSet"数据集,包含超过10万条人类水平和100多万条合成创意文本,涵盖87个领域。基于此训练的CrEval评估器在与人类判断的一致性上显著优于现有方法,包括GPT-4o。研究发现,结合人类创建的数据和合成数据对训练有效评估器至关重要,且CrEval不仅能评估创造力,还能提升AI模型生成更有创意内容的能力,为创造力评估和提升开辟了新方向。